Pourquoi, en tant que Data Scientist, devriez-vous vous intéresser aux concepts d’ingénierie logicielle ? Nous allons passer en revue des notions spécifiques d’ingénierie logicielle et voir comment ces idées essentielles peuvent transformer votre flux de travail en Data Science !

Python, data science et génie logiciel

Les grandes idées

La modularité Python dans la pratique

Introduction aux packages et à la documentation

Installer des paquets avec pip

Tirer parti de la documentation

Conventions et PEP 8

Utiliser pycodestyle

Se conformer à PEP 8

PEP 8 dans la documentation

Ingénierie logicielle et Data Science

Devenez un véritable développeur de packages Python en écrivant votre premier package ! Vous apprendrez à structurer et écrire du code Python qui peut être installé, utilisé et distribué comme les packages célèbres tels que NumPy et Pandas.

Écrire votre premier package

Exigences minimales d’un package

Nommer les packages

Reconnaître les packages

Ajouter des fonctionnalités aux packages

Ajouter des fonctionnalités à votre package

Utiliser la nouvelle fonctionnalité de votre package

Rendre votre package portable

Écrire requirements.txt

Installer les dépendances du package

Créer setup.py

Lister les dépendances dans setup.py

Écrire un module Python

La programmation orientée objet est un pilier du développement Python. En tirant parti des classes et de l’héritage, votre package Python deviendra un outil bien plus puissant pour vos utilisateurs.

Ajouter des classes à un package

Écrire une classe pour votre package

Utiliser la classe de votre package

Ajouter des fonctionnalités aux classes

Écrire une méthode non publique

Utiliser les fonctionnalités de votre classe

Les classes et le principe DRY

Utiliser l’héritage pour créer une classe

Ajouter des fonctionnalités à une classe enfant

Utiliser votre classe fille

Héritage multiniveau

Explorer avec dir et help

Créer une classe petite-fille

Utiliser des méthodes héritées

Exploiter les classes

Vous avez désormais écrit un package Python entièrement fonctionnel pour l’analyse de texte ! Pour faciliter au maximum la maintenance de votre projet, nous appliquerons les meilleures pratiques liées à la documentation et aux tests unitaires.

Documentation

Identifier les bons commentaires

Identifier des docstrings corrects

Rédiger des docstrings

La lisibilité compte

Choisir de bons noms de fonctions

Utiliser de bons noms de variables

Rafactorer pour améliorer la lisibilité

Tests unitaires

Utiliser doctest

Utiliser pytest

Documentation et tests en pratique

Documenter les classes pour Sphinx

Identifier les outils

Dernières réflexions

Maintenabilité

Les data scientists gagnent énormément à s’inspirer des concepts de l’ingénierie logicielle : ils réutilisent plus facilement leur code et le partagent mieux avec leurs collaborateurs. Dans ce cours, vous découvrirez les idées clés que sont la modularité, la documentation et les tests automatisés, et verrez comment elles vous aident à résoudre plus vite des problèmes de Data Science tout en rendant votre « vous du futur » heureux. Vous mettrez même en pratique vos nouvelles compétences d’ingénierie logicielle pour créer votre propre package Python dédié à l’analyse de texte.

Introduction to Functions in Python

Découvrez la modularité, la documentation et les tests automatisés pour résoudre les problèmes plus vite.

Exigences minimales d’un package

Principes d’ingénierie logicielle en Python

Exercice interactif pratique